【技术实现步骤摘要】
本专利技术涉及配电系统优化运行，尤其涉及一种电力故障事件驱动恢复方法、装置、设备及存储介质。
技术介绍
1、近年来，随着全球气候变化日益加剧，由极端灾害引起的电力系统故障也在逐年增多，这给电力系统的安全稳定运行带来了极大的挑战，且随着经济社会不断发展，配电系统的结构也随着生产生活的需要而日渐复杂，这也增大了配电网在日常运行过程中发生故障的概率。
2、为了有效降低这些极端气象时间及日常运行故障带来的影响，在故障后对配电网维修策略进行有效调整，尽快恢复配电系统正常运行至关重要。考虑到配电系统故障后设备维修时间及维修人员前往故障点的交通行驶时间的不确定性，已有的配电系统故障恢复策略很少考虑到这部分随机事件对配电网恢复过程的影响。
3、公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术提供了一种电力故障事件驱动恢复方法、装置、设备及存储介质，从而有效解决
技术介绍
中的问题。
2、为了达到上述目的，本专利技术所采用的技术方案是：一种电力故障事件驱动恢复方法、装置，包括如下步骤：
3、获取配电拓扑、故障信息、交通网络、可调度故障设备维修人员信息、负荷信息，构建考虑配电故障-交通网络的半马尔可夫状态；
4、获取交通行驶时间概率分布、故障设备维修时间概率分布、配电故障与交通网络耦合信息，构建基于随机事件驱动的半
5、基于所述半马尔可夫状态及状态转移函数，构建基于随机事件驱动的半马尔可夫递推优化模型；
6、构建表征半马尔可夫状态值函数的深度学习网络，采用离线迭代过程，基于深度强化学习方法对所述深度学习网络的参数进行更新，得到收敛的深度学习网络；
7、观测系统时序的实时状态，利用收敛的所述深度学习网络和半马尔可夫递推优化模型进行在线优化，得到实时最优恢复方案。
8、进一步地，所述构建考虑配电故障-交通网络的半马尔可夫状态，包括：
9、基于配电系统的故障点信息以及交通网络拓扑，构建故障点映射到交通网络的耦合网络g(n,l)，其中g表示耦合网络，n表示耦合网络中的节点，l表示连接节点的交通网络路径；
10、考虑交通状况的不确定以及故障维修时间的不确定，基于历史数据构建表征维修人员在故障点维修时间以及交通行驶时间分布的均值μ(n,l)和方差σ(n,l)；
11、基于系统拓扑信息、负荷信息、可调度维修人员信息，构建系统的所述半马尔可夫状态s＝(s1,…,sk,π,l)，其中s1,…,sk表示k组维修人员所处的状态；
12、
13、表示在某条道路上或者正在维修某一故障元件，表示对应故障元件维修结束或者某条道路行驶结束，π为系统的拓扑状态，当故障元件维修结束，配电下游馈线重新供电，拓扑改变，l为系统的负荷状态。
14、进一步地，所述构建基于随机事件驱动的半马尔可夫状态转移函数，包括：
15、构建状态s对应的动作空间a，当状态sk处于时对应的维修人员可选择下一个动作，所述下一动作包括路径选择或者维修元件选择，选择的范围包括所述耦合网络g(n,l)。
16、进一步地，所述构建基于随机事件驱动的半马尔可夫递推优化模型，包括：
17、对于每一个“半马尔可夫”状态s，建立表征事件驱动的递推优化模型：
18、
19、式中：υ(s)和υ(s′)为所述半马尔可夫状态s和s′的值函数，r(s,a)为在状态s下实施动作a的即时收益，为在动作a下状态从状态s转移到状态s′的概率，t1和t2分别是状态s′开始的时间和结束的时间，lloss为该时间段内的失负荷量；
20、在状态已经观测到的情况下，实施动作a，其后续状态s′是确定的，即因此所述递推优化模型描述为：
21、
22、其中r(s,a)为状态s下实施动作a的即时收益，包括调度维修人员的费用、维修元件的费用，lloss为t1和t2之间的失负荷量，为所有故障点及故障点馈线下游负荷量之和。
23、进一步地，所述构建表征半马尔可夫状态值函数的深度学习网络，包括：
24、设置所述递推优化模型初始值为0，构建深度学习网络v(s′:ωi)，v表示深度学习网络，ωi表示深度学习网络的参数，i表示为第i迭代，初始值为0。
25、利用所述深度学习网络表征状态s′到的映射关系，将所述递推优化模型表征为：
26、
27、式中：υi(s)为状态s第i次迭代的函数值。
28、设置初始状态s，设置迭代次数i＝i+1；
29、利用表征后的所述递推优化模型以及初始的深度学习网络v，计算处于状态s最优动作a；
30、计算在最优动作a情况下的下一步状态s′，考虑事件持续时间的随机性，利用蒙特卡洛随机场景产生方法产生处于s′状态的t1和t2；
31、基于产生的s′状态、产生的时间t1和t2、υi(s′)值、s′状态下失负荷量，计算值，并定义深度学习网络v的损失函数f(ωi)：
32、
33、利用损失函数f(ωi)的梯度更新深度学习网络v(s′:ωi)中的网络参数ωi：
34、
35、式中：ωi+1表示第i+1迭代次深度学习网络的参数，a为0至1之间的正数；
36、判断在第i次迭代仿真过程中，系统是否恢复到正常状态，如果系统没有恢复到正常状态，则继续仿真；如果恢复到正常状态，说明第i次迭代仿真结束，判断第i迭代的所有损失函数，如果第i迭代过程中所有状态的损失函数满足|f(ωi)|≤ε，其中ε为收敛阀值，说明迭代收敛，仿真结束，得到收敛的深度学习网络v(s:ωcon)，ωcon为收敛的深度学习网络参数，否则说明没有收敛，则继续第i+1迭代的仿真。
37、进一步地，所述利用收敛的所述深度学习网络和半马尔可夫递推优化模型进行在线优化，得到实时最优恢复方案，包括：
38、基于收敛的所述深度学习网络，将半马尔可夫递推优化模型表征为：
39、
40、式中：v(s′:ωcon)为收敛的深度学习网络，输入是状态s′，输出是对应的期望值；
41、在实际故障恢复过程中，经过交通行驶和设备维修的持续时间不确定的随机事件后，观测系统的状态，该状态包括系统负荷状态、系统拓扑、维修人员所处的状态，这些状态共同构成状态s，利用收敛后的递推优化模型优化状态s的最优策略，得到实时的最优故障恢复策略。
42、本专利技术还包括一种电力故障事件驱动恢复装置，使用如上述的方法，包括：
43、半马尔可夫状态构建单元，用于获取配电拓扑、故障信息、交通网络、可调度故障设备维修人员信息、负荷信息，构建考虑配电故障-交通网络的半马尔可夫状态；
【技术保护点】
1.一种电力故障事件驱动恢复方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的电力故障事件驱动恢复方法，其特征在于，所述构建考虑配电故障-交通网络的半马尔可夫状态，包括：
3.根据权利要求2所述的电力故障事件驱动恢复方法，其特征在于，所述构建基于随机事件驱动的半马尔可夫状态转移函数，包括：
4.根据权利要求1所述的电力故障事件驱动恢复方法，其特征在于，所述构建基于随机事件驱动的半马尔可夫递推优化模型，包括：
5.根据权利要求4所述的电力故障事件驱动恢复方法，其特征在于，所述构建表征半马尔可夫状态值函数的深度学习网络，包括：
6.根据权利要求5所述的电力故障事件驱动恢复方法，其特征在于，所述利用收敛的所述深度学习网络和半马尔可夫递推优化模型进行在线优化，得到实时最优恢复方案，包括：
7.一种电力故障事件驱动恢复装置，其特征在于，使用如权利要求1至6中任一项所述的方法，包括：
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计
9.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种电力故障事件驱动恢复方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的电力故障事件驱动恢复方法，其特征在于，所述构建考虑配电故障-交通网络的半马尔可夫状态，包括：
3.根据权利要求2所述的电力故障事件驱动恢复方法，其特征在于，所述构建基于随机事件驱动的半马尔可夫状态转移函数，包括：
4.根据权利要求1所述的电力故障事件驱动恢复方法，其特征在于，所述构建基于随机事件驱动的半马尔可夫递推优化模型，包括：
5.根据权利要求4所述的电力故障事件驱动恢复方法，其特征在于，所述构建表征半马尔可夫状态值函数的深度学习网络，包括：
【专利技术属性】
技术研发人员：王冲，吴峰，张磊，鞠平，梁伟，石大夯，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。